CN109282819B - 基于分布式混合滤波的超宽带定位方法 - Google Patents
基于分布式混合滤波的超宽带定位方法 Download PDFInfo
- Publication number
- CN109282819B CN109282819B CN201811415951.XA CN201811415951A CN109282819B CN 109282819 B CN109282819 B CN 109282819B CN 201811415951 A CN201811415951 A CN 201811415951A CN 109282819 B CN109282819 B CN 109282819B
- Authority
- CN
- China
- Prior art keywords
- matrix
- representing
- denotes
- observation
- ith node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Abstract
基于分布式混合滤波的超宽带定位方法,在室内布置好UWB的基站,然后对室内的一移动物体建立连续动力学模型,模拟实际移动情况;再将该物体模型的不精确和受到的干扰考虑成由随机扰动和非随机扰动构成的混合扰动信号;进一步采取分布式混合滤波,多个传感器观测目标,进行融合,提高精度。在保障系统鲁棒性和抗干扰能力的前提下,对移动物体的位置(横坐标a和纵坐标b)进行实时高精度估计。估计结果可以满足实际应用的精度和实时性要求,并且无论使用的哪一种室内定位技术,算法都能很好地契合,满足室内定位的要求。
Description
技术领域
本发明涉及一种基于分布式混合滤波的超宽带(UWB)定位方法。
背景技术
GPS定位技术广泛应用于军事和民用领域中。而在室内,由于建筑物的遮挡,GPS技术会因接收不到足够的信号而无法进行精确的定位。因此室内定位技术被广泛研究,目前针对室内定位技术常用的是:Wi-Fi、蓝牙、红外线、RFID、ZigBee。但是这些技术均存在安全性低和穿透力弱的缺点。
在室内定位中,比较常用的是卡尔曼滤波算法。众所周知,卡尔曼滤波在求解时不需要储存大量的观测数据,便于实时处理估计,因此其被广泛应用于动态数据处理中,尤其是GPS动态数据处理、导航等领域。同时,卡尔曼滤波器是以最小均方误差为原则的最优线性滤波器,因此具有较高的精度。但是卡尔曼滤波器的设计依赖于模型的准确性。而在实际应用中,建模精度常常不高,同时又存在着一些外界的非随机干扰,这些都会导致卡尔曼滤波算法的估计效果下降。
发明内容
为克服现有技术的上述缺点,本发明专利提供一种基于分布式混合滤波的超宽带(UWB)定位方法。
本发明的工作原理如下:在室内布置好超宽带的基站,然后对室内的一移动物体建立连续动力学模型,模拟实际移动情况;再将该物体模型的不精确和受到的干扰考虑成由随机扰动和非随机扰动构成的混合扰动信号;进一步采取分布式混合滤波,多个传感器观测目标,进行融合,提高精度。
基于分布式混合滤波的室内定位估计方法,具体步骤包括:
1)在室内布置超宽带基站,对室内的移动物体运动情况建立连续动力学模型
2)考虑复杂环境下的混合扰动以及模型的不精确,建立系统状态方程和输出方程,建立每个传感器的观测方程
3)根据每个传感器的观测值构建其相应的状态滤波器
4)给出系统误差模型,进一步给出基于最差非随机扰动的系统误差模型,设计并通过迭代算法求解每个滤波器的增益
进一步,步骤2)中,考虑室内环境下的混合扰动和模型的不精确性,建立系统状态方程和每个传感器的观测方程包括以下步骤:
(2.1)系统的状态方程为:
x(k+1)=Ax(k)+B0ω0(k)+B1ω(k) (1)
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,估计对象x表示物体的位置,即x=[a b]T,上标"T"表示矩阵的转置,A表示估计对象x的状态转移矩阵,ω0表示均值为零方差为1的高斯白噪声,B0表示高斯白噪声ω0的输入矩阵,ω表示非随机有界扰动信号,B1表示非随机有界扰动信号ω的输入矩阵。
(2.2)第i个传感器的观测方程为:
yi(k)=C2;ix(k)+D1;iω0(k)+Diω(k) (2)
其中,k表示离散化时刻,yi表示第i个传感器的观测向量,x表示估计对象,C2;i表示第i个传感器的估计对象的观测矩阵,ω0表示均值为0方差为1的高斯白噪声,D1;i表示第i个传感器的高斯白噪声ω0的观测矩阵,ω是非随机有界扰动信号,Di表示第i个传感器的非随机有界扰动信号的观测矩阵。
进一步,步骤3)中,假设有N个节点,且每个节点上都有一个滤波器和一个传感器,定义η表示所有节点的集合,即η:={1,...,N}。分布式滤波中,对于第i个滤波器来说,它不仅能收到来自自身传感器的观测值yi(k),而且能收到它邻居传感器的观测值定义ηi表示第i个节点收到邻居观测值的集合,即有定义Ji为第i个节点自身和它所有的邻居的集合,也就是Ji={i}∪ηi。定义表示第i个节点的所有观测值的集合;表示第i个节点的所有观测矩阵的集合;表示第i个节点所有高斯白噪声的观测矩阵的集合;表示第i个节点所有非随机有界扰动信号的观测矩阵的集合。
在室内定位技术中,数据传输是通过无线传感网络的,对于第i个节点来说,它能通过无线传感网络收到邻居节点的观测值,但是在传输过程中会收到扰动,使得数据丢失。由于超宽带技术的穿透力非常高,所以我们可以忽略掉节点之间传输过程中的扰动。
设计每一个节点的滤波器:
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,A表示估计对象x的状态转移矩阵,表示估计对象x的估计值,Li表示第i个节点的滤波增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有高斯白噪声的观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合。
进一步,步骤4)中,给出系统误差模型,进一步给出基于最差非扰动下的系统误差模型,设计并通过迭代算法求解滤波器增益,具体包括以下步骤:
(4.1)通过(1)(2)(3)得到误差系统模型:
其中,k表示当前离散时刻,k+1表示下一个离散时刻,ex;i表示估计对象x与对应估计值的差值,ei表示系统输出z与对应估计值的差值,e0;i表示系统输出z0与对应估计值的差值,A表示估计对象的状态转移矩阵,Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合;表示第i个节点所有高斯白噪声的观测矩阵的集合;表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,B0为高斯白噪声ω0的输入矩阵,B1为非随机有界扰动信号ω的输入矩阵,ω0表示均值为0方差为1的高斯白噪声,ω为非随机有界扰动信号。
(4.2)基于误差系统,定义最差的非随机有界扰动信号ω(k):
ωi(k)=Wiex;i(k) (5)
将(5)代入式(4),进一步得到最差非随机扰动下的系统误差模型:
(4.3)当k=0时,对中间变量P1;i和P2;i以及中间矩阵Wi和滤波器增益Li赋予初值,即
P1;i(0),P2;i(0),Wi(0),Li(0) (7)
(4.4)基于误差系统,由H∞滤波算法得到最差的非随机有界扰动信号ωi:
所以:
其中,k表示当前离散时刻,ωi表示非随机有界扰动信号,γ为表示预设的H∞参数,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,B1表示非随机有界扰动信号ω的输入矩阵,表示第i个节点所有高斯白噪声的观测矩阵的集合,AL;i、P1;i、AΩ;i和Δi均为中间矩阵,ex;i表示估计对象x与对应估计值的差值。
(4.5)基于最差非随机扰动下的系统误差模型,通过H2滤波算法得到滤波器增益Li的表达式:
其中,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有高斯白噪声的观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,B0为高斯白噪声ω0的输入矩阵,B1为非随机有界扰动信号ω的输入矩阵,P2;i、Wi、AW;i和Λi均为中间矩阵。
(4.6)当k=1时,由式(9)(10)得到:
Wi(1)=γ-2Δi -1(B1 TP1;i(0)AL;i+D1 TAΩ;i) (11)
其中,A表示估计对象的状态转移矩阵,γ表示预设的H∞参数,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,B0为高斯白噪声ω0的输入矩阵,B1为非随机有界扰动信号ω的输入矩阵,AL;i、AΩ;i、Δi、Λi、AW;i、P1;i和P2;i均为中间矩阵。
(4.7)中间矩阵P1;i满足如下方程:
因此得到中间矩阵P1;i(1):
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,A表示估计对象的状态转移矩阵,γ表示预设的H∞参数,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,B1为非随机有界扰动信号ω的输入矩阵,C1表示估计对象x的输出矩阵,AL;i、Γi、AΩ;i、Δi和P1;i均为中间矩阵。
(4.8)中间矩阵
因此得到中间矩阵P2;i(1):
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,A表示估计对象的状态转移矩阵,γ表示预设的H∞参数,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,B1为非随机有界扰动信号ω的输入矩阵,AW;i、Wi、Λi和P1;i均为中间矩阵。
(4.9)重复步骤(4.6)(4.7)(4.8)。
若k=T时刻时,矩阵P1(T)和矩阵P1(T-1)差值的二范数小于给定误差,得到:
P1;i=P1;i(T)=P1;i(T-1) (17)
同样,若k=T时刻时,矩阵P2(T)和矩阵P2(T-1)差值的二范数小于给定误差,得到:
P2;i=P2;i(T)=P2;i(T-1) (18)
其中,P1;i和P2;i均为中间矩阵。
(4.10)将中间矩阵P2;i代入式(10)得到第i个节点的滤波器增益矩阵Li。从而由滤波器(10),实现对估计对象x(即移动物体的位置)的实时高精度估计。
本发明设计的一种基于分布式混合滤波的UWB定位算法,通过迭代算法求解两组方程,构造多个滤波器来实现在最差非随机扰动信号下对移动物体的坐标进行多点的实时高精度估计。
本发明的优点是:使用了UWB定位技术,能提升了室内定位的安全性和穿透性,而且考虑了复杂环境的影响,针对室内定位技术模型的不精确性建立了系统状态方程和观测方程,进一步构建滤波器,在保障系统鲁棒性和抗干扰能力的前提下,对移动物体的位置(横坐标a和纵坐标b)进行实时高精度估计。估计结果可以满足实际应用的精度和实时性要求。
附图说明
图1是本发明的实验效果图
具体实施方式
本发明专利提供一种基于分布式混合滤波的超宽带定位方法。其工作原理如下:在室内布置好UWB的基站,然后对室内的一移动物体建立连续动力学模型,模拟实际移动情况;再将该物体模型的不精确和受到的干扰考虑成由随机扰动和非随机扰动构成的混合扰动信号;进一步采取分布式混合滤波,多个传感器观测目标,进行融合,提高精度。
基于分布式混合滤波的室内定位估计方法,具体步骤包括:
1)在室内布置超宽带基站,对室内的移动物体运动情况建立连续动力学模型
2)考虑复杂环境下的混合扰动以及模型的不精确,建立系统状态方程和输出方程,建立每个传感器的观测方程
3)根据每个传感器的观测值构建其相应的滤波器
4)给出系统误差模型,进一步给出基于最差非随机扰动的系统误差模型,设计并通过迭代算法求解每个滤波器的增益
进一步,步骤1)中,我们把室内环境建立成一个平面直角坐标系,然后用x=[a b]T来表示移动物体的位置,其中,上标"T"表示矩阵的转置,a表示物体的横坐标,b表示物体的纵坐标,这样我们就能知道每一时刻物体的位置。
进一步,步骤2)中,考虑室内环境下的混合扰动和模型的不精确性,建立系统状态方程和每个传感器的观测方程包括以下步骤:
(2.1)离散后的状态方程为:
x(k+1)=Ax(k)+B0ω0(k)+B1ω(k) (1)
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,估计对象x表示物体的位置,即x=[a b]T,上标"T"表示矩阵的转置,估计对象x的状态转移矩阵为ω0表示均值为0方差为1的高斯白噪声,表示高斯白噪声ω0的输入矩阵,非随机有界扰动信号由ω=|0.2*sin(0.5*k)|模拟,非随机有界扰动信号ω的输入矩阵为
(2.2)离散化后,第i个传感器的观测方程为:
yi(k)=C2;ix(k)+D1;iω0(k)+Diω(k) (2)
其中,k表示离散化时刻,表示第i个传感器的观测向量,x表示估计对象,C2;i表示第i个传感器的估计对象的观测矩阵,若i为奇数,则若i为偶数,则ω0表示均值为0方差为1的高斯白噪声,D1;i表示第i个传感器的高斯白噪声ω0的观测矩阵,若i为奇数,若i为偶数,ω是非随机有界扰动信号,Di表示第i个传感器的非随机有界扰动信号的观测矩阵,若i为奇数,若i为偶数,
进一步,步骤3)中,基于步骤2)中的系统,设计每一个节点的滤波器:
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,估计对象x的状态转移矩阵为 表示估计对象x的估计值,Li表示第i个节点的滤波增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有高斯白噪声的观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,进一步,步骤4)中,给出系统误差模型,进一步给出基于最差非扰动下的系统误差模型,设计并通过迭代算法求解滤波器增益,具体包括以下步骤:
(4.1)通过(1)(2)(3)得到误差系统模型:
其中,k表示当前离散时刻,k+1表示下一个离散时刻,ex;i表示估计对象x与对应估计值的差值,ei表示系统输出z与对应估计值的差值,e0;i表示系统输出z0与对应估计值的差值,估计对象的状态转移矩阵Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合;表示第i个节点所有高斯白噪声的观测矩阵的集合;表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,高斯白噪声ω0的输入矩阵非随机有界扰动信号ω的输入矩阵ω0表示均值为0方差为1的高斯白噪声,非随机有界扰动信号取ω(k)=|0.2*sin(0.5*k)|。
(4.2)基于误差系统,定义最差的非随机有界扰动信号ω:
ωi(k)=Wiex;i(k) (5)
将(5)代入式(4),进一步得到最差非随机扰动下的系统误差模型:
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,预设的H∞参数γ=2,估计对象的状态转移矩阵Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,高斯白噪声ω0的输入矩阵非随机有界扰动信号ω的输入矩阵ω0表示均值为0方差为1的高斯白噪声,非随机有界扰动信号取ω(k)=|0.2*sin(0.5*k)|。
(4.3)当k=0时,对中间变量P1;i和P2;i以及中间矩阵Wi和滤波器增益Li赋予初值,即
(4.4)基于误差系统,由H∞滤波算法得到最差的非随机有界扰动信号ωi:
ωi(k)=γ-2Δi -1(B1 TP1;iAL;i+D1 TDμ;iAΩ;i)ex;i(k) (8)
所以:
Wi=γ-2Δi -1(B1 TP1;iAL;i+D1 TDμ;iAΩ;i) (9)
其中,k表示当前离散时刻,ωi表示非随机有界扰动信号,预设的H∞参数γ=2,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,Li表示需要设计的滤波器增益,非随机有界扰动信号ω的输入矩阵P1;i、AL;i、AΩ;i、Δi、AW;i均为中间矩阵,ex;i表示估计对象x与对应估计值的差值。
(4.5)基于最差非随机扰动下的系统误差模型,通过H2滤波算法得到滤波器增益Li的表达式:
其中,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有高斯白噪声的观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,高斯白噪声ω0的输入矩阵非随机有界扰动信号ω的输入矩阵P2;i、Wi、AW;i和Λi均为中间矩阵。
(4.6)当k=1时,由式(9)(10)得到:
Wi(1)=γ-2Δi -1(B1 TP1;i(0)AL;i(1)+D1 TAΩ;i(1)) (11)
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,预设的H∞参数γ=2,估计对象的状态转移矩阵Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,高斯白噪声ω0的输入矩阵非随机有界扰动信号ω的输入矩阵P1;i、AL;i、AΩ;i、Δi、P2;i、Wi、AW;i和Λi均为中间矩阵。
(4.7)中间矩阵P1;i满足如下方程:
因此得到中间矩阵P1;i(1):
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,预设的H∞参数γ=2,估计对象的状态转移矩阵Li表示需要设计的滤波器增益,表示的期望,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,高斯白噪声ω0的输入矩阵非随机有界扰动信号ω的输入矩阵P1;i、AL;i、AΩ;i、Δi、P2;i、Wi、AW;i和Λi均为中间矩阵。
(4.8)中间矩阵
因此得到中间矩阵P2;i(1):
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,预设的H∞参数γ=2,估计对象的状态转移矩阵Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,高斯白噪声ω0的输入矩阵非随机有界扰动信号ω的输入矩阵P1;i、AL;i、AΩ;i、Δi、P2;i、Wi、AW;i和Λi均为中间矩阵。
(4.9)重复步骤(4.6)(4.7)(4.8)。
若k=150时刻时,矩阵P1;i(T)和矩阵P1;i(T-1)差值的二范数小于给定误差,得到:
同样,若k=T时刻时,矩阵P2;i(T)和矩阵P2;i(T-1)差值的二范数小于给定误差,得到:
其中,P1;i和P2;i均为中间矩阵,我们选取的是第五个节点的数。
(3.10)将中间矩阵P2;i代入式(10)得到第i个节点的滤波器增益矩阵Li。从而由滤波器(10),实现对估计对象x(即移动物体的位置)的实时高精度估计。
本发明设计的一种基于分布式混合滤波的UWB定位算法,通过迭代算法求解两组方程,构造多个滤波器来实现在最差非随机扰动信号下对移动物体的坐标进行多点的实时高精度估计。
本发明的优点是:使用了UWB定位技术,能提升了室内定位的安全性和穿透性,而且考虑了复杂环境的影响,针对室内定位技术模型的不精确性建立了系统状态方程和观测方程,进一步构建滤波器,在保障系统鲁棒性和抗干扰能力的前提下,对移动物体的位置(横坐标a和纵坐标b)进行实时高精度估计。估计结果可以满足实际应用的精度和实时性要求。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.基于分布式混合滤波的超宽带估计方法,具体步骤包括:
步骤1)在室内布置UWB基站,对室内的移动物体运动情况建立连续动力学模型;
步骤2)考虑复杂环境下的混合扰动以及模型的不精确,建立系统状态方程和输出方程,建立每个传感器的观测方程;具体包括:
考虑室内环境下的混合扰动和模型的不精确性,建立系统状态方程和每个传感器的观测方程包括以下步骤:
(2.1)系统的状态方程为:
x(k+1)=Ax(k)+B0ω0(k)+B1ω(k) (1)
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,估计对象x表示物体的位置,即x=[a b]T,上标"T"表示矩阵的转置,A表示估计对象x的状态转移矩阵,ω0表示均值为零方差为1的高斯白噪声,B0表示高斯白噪声ω0的输入矩阵,ω表示非随机有界扰动信号,B1表示非随机有界扰动信号ω的输入矩阵;
(2.2)第i个传感器的观测方程为:
yi(k)=C2;ix(k)+D1;iω0(k)+Diω(k) (2)
其中,k表示离散化时刻,yi表示第i个传感器的观测向量,x表示估计对象,C2;i表示第i个传感器的估计对象的观测矩阵,ω0表示均值为0方差为1的高斯白噪声,D1;i表示第i个传感器的高斯白噪声ω0的观测矩阵,ω是非随机有界扰动信号,Di表示第i个传感器的非随机有界扰动信号的观测矩阵;
步骤3)根据每个传感器的观测值构建其相应的滤波器;具体包括:
假设有N个节点,且每个节点上都有一个滤波器和一个传感器,定义η表示所有节点的集合,即η:={1,...,N};分布式滤波中,对于第i个滤波器来说,它不仅能收到来自自身传感器的观测值yi(k),而且能收到它邻居传感器的观测值定义ηi表示第i个节点收到邻居观测值的集合,即有定义Ji为第i个节点自身和它所有的邻居的集合,也就是Ji={i}∪ηi;定义表示第i个节点的所有观测值的集合;表示第i个节点的所有观测矩阵的集合;表示第i个节点所有高斯白噪声的观测矩阵的集合;表示第i个节点所有非随机有界扰动信号的观测矩阵的集合;
在室内定位技术中,数据传输是通过无线传感网络的,对于第i个节点来说,它能通过无线传感网络收到邻居节点的观测值,但是在传输过程中会收到扰动,使得数据丢失;由于UWB技术的穿透力非常高,所以我们可以忽略掉节点之间传输过程中的扰动;
设计每一个节点的滤波器:
步骤4)给出系统误差模型,进一步给出基于最差非随机扰动的系统误差模型,设计并通过迭代算法求解每个滤波器的增益;具体包括:
给出系统误差模型,进一步给出基于最差非扰动下的系统误差模型,设计并通过迭代算法求解滤波器增益,具体包括以下步骤:
(4.1)通过(1)(2)(3)得到误差系统模型:
其中,k表示当前离散时刻,k+1表示下一个离散时刻,ex;i表示估计对象x与对应估计值的差值,A表示估计对象的状态转移矩阵,Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合;表示第i个节点所有高斯白噪声的观测矩阵的集合;表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,B0为高斯白噪声ω0的输入矩阵,B1为非随机有界扰动信号ω的输入矩阵,ω0表示均值为0方差为1的高斯白噪声,ω为非随机有界扰动信号;
4.2)基于误差系统,定义第i个节点最差的非随机有界扰动信号ωi(k):
ωi(k)=Wiex;i(k) (5)
将(5)代入式(4),进一步得到最差非随机扰动下的系统误差模型:
(4.3)当k=0时,对中间矩阵Wi和滤波器增益Li赋予初值,即
Wi(0),Li(0) (7)
(4.4)基于误差系统,由H∞滤波算法得到最差的非随机有界扰动信号ωi:
所以:
Wi=γ-2Δi -1(B1 TP1;iAL;i+D1;i TAΩ;i) (9)
其中,k表示当前离散时刻,ωi表示非随机有界扰动信号,γ为表示预设的H∞参数,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,B1表示非随机有界扰动信号ω的输入矩阵,表示第i个节点所有高斯白噪声的观测矩阵的集合,AL;i、P1;i、AΩ;i和Δi均为中间矩阵,ex;i表示估计对象x与对应估计值的差值;
(4.5)基于最差非随机扰动下的系统误差模型,通过H2滤波算法得到滤波器增益Li的表达式:
其中,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有高斯白噪声的观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,B0为高斯白噪声ω0的输入矩阵,B1为非随机有界扰动信号ω的输入矩阵,P2;i、Wi和Λi均为中间矩阵;
(4.6)当k=1时,由式(9)(10)得到:
Wi(1)=γ-2Δi -1(B1 TP1;i(0)AL;i+D1 TAΩ;i) (11)
其中,A表示估计对象的状态转移矩阵,γ表示预设的H∞参数,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,B0为高斯白噪声ω0的输入矩阵,B1为非随机有界扰动信号ω的输入矩阵,C1,C0表示估计对象x的输出矩阵,AL;i、AΩ;i、Δi、Λi均为中间矩阵,P1;i(0),P2;i(0)为k=0时,中间矩阵P1;i和P2;i赋予的初值;
(4.7)中间矩阵P1;i满足如下方程:
因此得到中间矩阵P1;i(1):
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,A表示估计对象的状态转移矩阵,γ表示预设的H∞参数,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,B1为非随机有界扰动信号ω的输入矩阵,C1表示估计对象x的输出矩阵,AL;i、Γi、AΩ;i、Δi和P1;i均为中间矩阵;
(4.8)得到中间矩阵P2;i(1);
因此得到中间矩阵P2;i(1):
其中,k表示当前离散化时刻,k+1表示下一离散化时刻,A表示估计对象的状态转移矩阵,γ表示预设的H∞参数,上标"-1"表示矩阵的逆,上标"T"表示矩阵的转置,Li表示需要设计的滤波器增益,表示第i个节点的所有观测矩阵的集合,表示第i个节点所有非随机有界扰动信号的观测矩阵的集合,B1为非随机有界扰动信号ω的输入矩阵,AW;i、Wi、Λi和P1;i均为中间矩阵;
(4.9)重复步骤(4.6)、步骤(4.7)、步骤(4.8);
若k=T时刻时,矩阵P1(T)和矩阵P1(T-1)差值的二范数小于给定误差,得到:
P1;i=P1;i(T)=P1;i(T-1) (17)
同样,若k=T时刻时,矩阵P2(T)和矩阵P2(T-1)差值的二范数小于给定误差,得到:
P2;i=P2;i(T)=P2;i(T-1) (18)
其中,P1;i和P2;i均为中间矩阵;
(4.10)将中间矩阵P2;i代入式(10)得到第i个节点的滤波器增益矩阵Li;从而由滤波器(10),实现对估计对象x的实时高精度估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415951.XA CN109282819B (zh) | 2018-11-26 | 2018-11-26 | 基于分布式混合滤波的超宽带定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415951.XA CN109282819B (zh) | 2018-11-26 | 2018-11-26 | 基于分布式混合滤波的超宽带定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109282819A CN109282819A (zh) | 2019-01-29 |
CN109282819B true CN109282819B (zh) | 2021-07-27 |
Family
ID=65173122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811415951.XA Active CN109282819B (zh) | 2018-11-26 | 2018-11-26 | 基于分布式混合滤波的超宽带定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109282819B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114430525B (zh) * | 2022-03-15 | 2022-10-18 | 中国矿业大学 | 一种封闭空间基于传感器网络的分布式定位方法 |
CN115442762B (zh) * | 2022-08-22 | 2024-05-03 | 浙江工业大学 | 基于无线传感器网络的分布式一致性滤波的目标跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102213755A (zh) * | 2011-04-02 | 2011-10-12 | 中国矿业大学(北京) | 煤矿井下超宽带定位方法及系统 |
CN103237320A (zh) * | 2013-04-12 | 2013-08-07 | 杭州电子科技大学 | 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法 |
CN107255795A (zh) * | 2017-06-13 | 2017-10-17 | 山东大学 | 基于ekf/efir混合滤波的室内移动机器人定位方法和装置 |
CN108413923A (zh) * | 2018-01-22 | 2018-08-17 | 浙江工业大学 | 一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9599698B2 (en) * | 2014-12-02 | 2017-03-21 | Intel Corporation | Enhanced positioning system using hybrid filter |
-
2018
- 2018-11-26 CN CN201811415951.XA patent/CN109282819B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102213755A (zh) * | 2011-04-02 | 2011-10-12 | 中国矿业大学(北京) | 煤矿井下超宽带定位方法及系统 |
CN103237320A (zh) * | 2013-04-12 | 2013-08-07 | 杭州电子科技大学 | 无线传感器网络基于混合量化卡尔曼融合的目标跟踪方法 |
CN107255795A (zh) * | 2017-06-13 | 2017-10-17 | 山东大学 | 基于ekf/efir混合滤波的室内移动机器人定位方法和装置 |
CN108413923A (zh) * | 2018-01-22 | 2018-08-17 | 浙江工业大学 | 一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109282819A (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ou et al. | A ZigBee position technique for indoor localization based on proximity learning | |
Dehnavi et al. | Three dimensional target tracking via underwater acoustic wireless sensor network | |
CN111157943B (zh) | 在异步网络中基于toa的传感器位置误差抑制方法 | |
CN109282819B (zh) | 基于分布式混合滤波的超宽带定位方法 | |
CN111381209A (zh) | 一种测距定位的方法及装置 | |
Kirichek et al. | Development of a node-positioning algorithm for wireless sensor networks in 3D space | |
CN104053234A (zh) | 一种基于rssi的坐标误差补偿定位系统和方法 | |
Meng et al. | Communication aware optimal sensor motion coordination for source localization | |
CN106772510A (zh) | 一种基于载波相位测量的跳频测距方法 | |
CN109282820B (zh) | 基于分布式混合滤波的室内定位方法 | |
CN105259533B (zh) | 基于多维标度法子空间分析的三阶段到达时间差定位方法 | |
Destiarti et al. | Modified iterated extended Kalman filter for mobile cooperative tracking system | |
CN108445445B (zh) | 一种分布式无源定位方法及装置 | |
Suseenthiran et al. | Indoor positioning utilizing bluetooth low energy RSSI on LoRa system | |
CN114051207B (zh) | 信号干扰下超宽带精确定位方法、装置及电子设备 | |
Ortiz et al. | A framework for a relative real-time tracking system based on ultra-wideband technology | |
Chowdhury et al. | Effect of signal strength on different parameters of cross-correlation function in underwater network cardinality estimation | |
Fan et al. | A modified tetrahedron shape measure and its application for 3D trilateration localization in mobile cluster networks | |
CN107484119B (zh) | 一种用于移动通信系统的终端跟踪定位方法 | |
CN105517147B (zh) | 基于分块迭代的分布式目标定位方法 | |
CN108810840A (zh) | 协作定位中基于efim和距离协作的节点选择方法 | |
Qian et al. | An indoor fusion positioning algorithm of Bluetooth and PDR based on particle filter with dynamic adjustment of weights calculation strategy. | |
Tariq et al. | WSN Localization Method Based on Hybrid PSO-GRNN Approach. | |
Hu et al. | A positioning algorithm for wireless sensor networks based on node hop count and kernel method | |
Tansarn et al. | Multi-hop Wireless Localization Techniques: an empirical study for indoor environment using ultra wideband radio technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |